Optimization of pavement maintenance and rehabilitation using pavement management system in Prince George
Notice bibliographique
Résumé
,Pavement Management Systems (PMS) are essential for guiding cost-effective and sustainable road maintenance, particularly in municipalities operating within harsh climates and under financial constraints. This research examines the optimization of pavement maintenance strategies for the City of Prince George, British Columbia, by combining historical condition data, predictive modeling, and decision-support frameworks. The study utilizes pavement distress survey results from 2016, 2017, 2020, and 2023 to assess network-level deterioration, identify critical distress types, and establish performance baselines. To forecast pavement performance, three modeling approaches—Random Forest (RF), Multiple Linear Regression (MLR), and Artificial Neural Networks (ANN)—were applied to predict the Pavement Distress Index (PDI). These models were evaluated using the statistical metrics such as Root Mean Square Error (RMSE), and coefficient of determination (R²). The Random Forest model achieved the highest predictive accuracy (R² = 0.96, RMSE = 0.55), followed closely by the ANN (R² = 0.95, RMSE = 0.48), while the MLR model demonstrated lower predictive capability (R² = 0.81, RMSE = 0.92). Variable importance analysis identified transverse cracking, rutting, and surface roughness as the most influential predictors of deterioration. The findings of this research provide a data-driven framework for proactive pavement maintenance planning in Prince George, enabling the prioritization of high-impact interventions and the optimization of rehabilitation budgets. By extending pavement service life and reducing long-term maintenance costs, the proposed methodology supports the creation of more resilient transportation infrastructure. The framework can be adapted for use in other municipalities facing similar environmental and operational conditions, strengthening the integration of advanced analytics into municipal asset management practices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».